JPH11707A - 圧延機の制御方法及び圧延機の制御装置 - Google Patents
圧延機の制御方法及び圧延機の制御装置Info
- Publication number
- JPH11707A JPH11707A JP9235481A JP23548197A JPH11707A JP H11707 A JPH11707 A JP H11707A JP 9235481 A JP9235481 A JP 9235481A JP 23548197 A JP23548197 A JP 23548197A JP H11707 A JPH11707 A JP H11707A
- Authority
- JP
- Japan
- Prior art keywords
- rolling
- processing unit
- learning
- long
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Control Of Metal Rolling (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【課題】 多くのテーブルを用いずに、より多くのモデ
ル誤差発生因子となる圧延変数を考慮してモデル誤差を
推定可能とする 【解決手段】 圧延仕様入力部７は、鋼種、板厚、板
幅、スラブ寸法、仕上げ温度等の圧延に関する仕様を入
力する。圧延荷重計算処理部２は、これらの入力データ
に基づいて、圧延荷重式により圧延荷重を計算する。収
集されたデータの一部は、長期学習入力値記憶装置１１
に記憶され、ニューラルネットワーク学習制御装置１２
に入力されてニューラルネットワークによる処理がなさ
れて、鋼種、成分値等の変動が圧延荷重計算処理部に与
える誤差の程度が計算される。そして、計算されたパラ
メータは、長期学習処理部６に転記される。長期学習処
理部６の出力は圧延荷重学習修正処理部３に入力されて
圧延荷重計算処理部２の誤差を補正するのに使用され
る。
ル誤差発生因子となる圧延変数を考慮してモデル誤差を
推定可能とする 【解決手段】 圧延仕様入力部７は、鋼種、板厚、板
幅、スラブ寸法、仕上げ温度等の圧延に関する仕様を入
力する。圧延荷重計算処理部２は、これらの入力データ
に基づいて、圧延荷重式により圧延荷重を計算する。収
集されたデータの一部は、長期学習入力値記憶装置１１
に記憶され、ニューラルネットワーク学習制御装置１２
に入力されてニューラルネットワークによる処理がなさ
れて、鋼種、成分値等の変動が圧延荷重計算処理部に与
える誤差の程度が計算される。そして、計算されたパラ
メータは、長期学習処理部６に転記される。長期学習処
理部６の出力は圧延荷重学習修正処理部３に入力されて
圧延荷重計算処理部２の誤差を補正するのに使用され
る。
Description
【０００１】
【発明の属する技術分野】この発明は広くは種々の圧延
機の制御方法及び制御装置に関し、特に圧延モデルを有
する設定計算において、モデル誤差を学習制御により精
度良く修正し、正確な制御を行う圧延機の制御方法及び
制御装置に関するものである。
機の制御方法及び制御装置に関し、特に圧延モデルを有
する設定計算において、モデル誤差を学習制御により精
度良く修正し、正確な制御を行う圧延機の制御方法及び
制御装置に関するものである。
【０００２】
【従来の技術】圧延機の設定計算を行う場合、例えば圧
延機の板厚制御に関しては、特に非定常部である鋼板先
端部の板厚精度は、設定計算におけるロールギャップの
計算精度に大きく依存している。一般にロールギャップ
の設定方法は、材料塑性特性を記述する圧延荷重式
（１）と圧延機弾性特性を記述するケージメータ式
（２）の解で与えられるため、圧延荷重式とゲージメー
タ式には高いモデル精度が要求される。ゲージメータ式
と圧延荷重式の一例を以下に示す。
延機の板厚制御に関しては、特に非定常部である鋼板先
端部の板厚精度は、設定計算におけるロールギャップの
計算精度に大きく依存している。一般にロールギャップ
の設定方法は、材料塑性特性を記述する圧延荷重式
（１）と圧延機弾性特性を記述するケージメータ式
（２）の解で与えられるため、圧延荷重式とゲージメー
タ式には高いモデル精度が要求される。ゲージメータ式
と圧延荷重式の一例を以下に示す。
【０００３】
【数１】 Ｐ ＝ Ｋ（ｈ−Ｓ） （２） ここに、Ｐは圧延荷重、ｂは板幅、Ｒ’は偏平ロール半
径、Ｈはスタンド入側板厚、ｈはスタンド出側板厚、ｋ
P は平均変形抵抗、ＱP は圧延荷重係数、αは張力配分
係数、ｔf は前方ユニット張力、ｔb は後方ユニット張
力、Ｋはミル縦剛性定数、Ｓはロールギャップである。
径、Ｈはスタンド入側板厚、ｈはスタンド出側板厚、ｋ
P は平均変形抵抗、ＱP は圧延荷重係数、αは張力配分
係数、ｔf は前方ユニット張力、ｔb は後方ユニット張
力、Ｋはミル縦剛性定数、Ｓはロールギャップである。
【０００４】しかし、モデル精度向上のために重要とな
る同定には、モデルを構成する圧延変数に基づき、その
係数を精度良く回帰する必要があるが、圧延変数は実測
不可能な場合が多く、誤差を生じる。そこで、設定計算
においてはモデルにより生ずる誤差を、事前に把握しモ
デルを修正することにより、次回以降の圧延精度を高め
る学習修正が一般に行われる。この学習修正には、短期
学習修正と呼ばれる方法と長期学習修正の２つの方法が
ある。前者は同一材質・同一ロッド内の材料を連続して
圧延する場合に、至近の圧延実績から計算したモデルの
誤差をセットアップ計算値に反映することにより、例え
ば圧延機の温度変化やロール摩耗などに伴う圧延状態の
変化により生ずるモデル誤差を吸収するものである。
る同定には、モデルを構成する圧延変数に基づき、その
係数を精度良く回帰する必要があるが、圧延変数は実測
不可能な場合が多く、誤差を生じる。そこで、設定計算
においてはモデルにより生ずる誤差を、事前に把握しモ
デルを修正することにより、次回以降の圧延精度を高め
る学習修正が一般に行われる。この学習修正には、短期
学習修正と呼ばれる方法と長期学習修正の２つの方法が
ある。前者は同一材質・同一ロッド内の材料を連続して
圧延する場合に、至近の圧延実績から計算したモデルの
誤差をセットアップ計算値に反映することにより、例え
ば圧延機の温度変化やロール摩耗などに伴う圧延状態の
変化により生ずるモデル誤差を吸収するものである。
【０００５】後者は圧延材の仕様が変化した場合に、過
去に同一材質・同一ロッド内の材料を圧延した際に記憶
したモデルの誤差を、設定計算値に反映するものであ
る。
去に同一材質・同一ロッド内の材料を圧延した際に記憶
したモデルの誤差を、設定計算値に反映するものであ
る。
【０００６】以下においては、その学習方法について圧
延荷重式を例に挙げて具体的に説明する。
延荷重式を例に挙げて具体的に説明する。
【０００７】荷重モデル誤差比Ｚkは板厚や温度等の実
測値を用いて、荷重を再計算した実績計算荷重ＰAと荷
重測定値Ｐの比（３）式で記述される。
測値を用いて、荷重を再計算した実績計算荷重ＰAと荷
重測定値Ｐの比（３）式で記述される。
【０００８】Ｚk ＝Ｐ／ＰA …（３） さらに圧延材の圧延順番号をｉとすると、ｉ番目の材料
の短期学習係数Ｚｉを、前材の短期学習係数とモデル誤
差比の指数平滑処理により決定する方法が一般的であ
り、平滑定数をａとすると（４）式により求められる。
の短期学習係数Ｚｉを、前材の短期学習係数とモデル誤
差比の指数平滑処理により決定する方法が一般的であ
り、平滑定数をａとすると（４）式により求められる。
【０００９】 Ｚi ＝ （１−ａ）Ｚi-1 ＋ａＺk …（４） モデル誤差のうち変形抵抗や圧延荷重係数に関わる部分
は、鋼種や成分、サイズにより一義的に定まるため、前
材と仕様が同一の場合は、短期学習修正により十分にそ
の誤差を吸収することができる。
は、鋼種や成分、サイズにより一義的に定まるため、前
材と仕様が同一の場合は、短期学習修正により十分にそ
の誤差を吸収することができる。
【００１０】一方、仕様が変わり、モデル誤差も大きく
変化した場合には、短期学習修正では、そのモデル誤差
を吸収しきれないため、長期学習修正が必要となる。長
期学習修正では、過去の同一材質・同一ロッド内の圧延
材の、式（３）で示したモデル誤差Ｚkを用いて、モデ
ル誤差を吸収する方法である。それには、まず同一仕様
材の範疇を定めるために、鋼種やサイズなどの材料特性
をパラメータとして層別を行い、過去のモデル誤差比を
記憶しておく必要がある。
変化した場合には、短期学習修正では、そのモデル誤差
を吸収しきれないため、長期学習修正が必要となる。長
期学習修正では、過去の同一材質・同一ロッド内の圧延
材の、式（３）で示したモデル誤差Ｚkを用いて、モデ
ル誤差を吸収する方法である。それには、まず同一仕様
材の範疇を定めるために、鋼種やサイズなどの材料特性
をパラメータとして層別を行い、過去のモデル誤差比を
記憶しておく必要がある。
【００１１】
【発明が解決しようとする課題】しかし、モデル誤差を
精度良く予測するためには、区分を材料特性のパラメー
タにより詳細に分類する必要があり、膨大なテーブルを
作成しなくてはならない。また、ただ細分化しただけで
は、テーブルに蓄積されるデータ数が少なくなり、学習
精度向上の妨げとなる。
精度良く予測するためには、区分を材料特性のパラメー
タにより詳細に分類する必要があり、膨大なテーブルを
作成しなくてはならない。また、ただ細分化しただけで
は、テーブルに蓄積されるデータ数が少なくなり、学習
精度向上の妨げとなる。
【００１２】ちなみに、この長期学習における修正係数
の決定に関しては、例えば“特開昭６１−２０２７１１
号公報「圧延機学習制御方法および装置」”による方法
が提案されている。この方法は、過去の同一材質・同一
ロッド内の圧延材のモデル誤差に基づいて、長期学習補
正係数を決定する際に、過去の圧延本数を考慮して学習
のゲインを決定するものであり、テーブルを細分化し蓄
積されるデータが少なくなった場合に有効と考えられ
る。
の決定に関しては、例えば“特開昭６１−２０２７１１
号公報「圧延機学習制御方法および装置」”による方法
が提案されている。この方法は、過去の同一材質・同一
ロッド内の圧延材のモデル誤差に基づいて、長期学習補
正係数を決定する際に、過去の圧延本数を考慮して学習
のゲインを決定するものであり、テーブルを細分化し蓄
積されるデータが少なくなった場合に有効と考えられ
る。
【００１３】しかし、テーブルの層別における細分化や
学習のゲインの調整には多大な調整作業が伴い、効率的
かつ高精度な学習が期待できないという問題点がある。
学習のゲインの調整には多大な調整作業が伴い、効率的
かつ高精度な学習が期待できないという問題点がある。
【００１４】以上のように、材料特有のモデル誤差を学
習制御する場合、その修正係数を、モデル誤差を発生さ
せる影響度の高い圧延変数に関し細分化したテーブル上
に記憶する方法が一つの有効な手段ではあるが、膨大な
テーブルが必要となり、多大な調整による労力が必要と
なるばかりでなく、蓄積される実績が希少となるため十
分な学習効果が期待できない問題があった。
習制御する場合、その修正係数を、モデル誤差を発生さ
せる影響度の高い圧延変数に関し細分化したテーブル上
に記憶する方法が一つの有効な手段ではあるが、膨大な
テーブルが必要となり、多大な調整による労力が必要と
なるばかりでなく、蓄積される実績が希少となるため十
分な学習効果が期待できない問題があった。
【００１５】そこで本発明は、第一に多くのテーブルを
用いずに、より多くのモデル誤差発生因子となる圧延変
数を考慮してモデル誤差を推定可能とすることと、第二
に調整に多大な労力を必要とせずに精度良くモデル誤差
を推定可能とすることを目的とする。
用いずに、より多くのモデル誤差発生因子となる圧延変
数を考慮してモデル誤差を推定可能とすることと、第二
に調整に多大な労力を必要とせずに精度良くモデル誤差
を推定可能とすることを目的とする。
【００１６】
【課題を解決するための手段】前記課題は、圧延機の特
性を数式モデル化した数式モデルに従って、圧延機の各
設定値を決定し、圧延結果をフィードバックして数式モ
デルの誤差を修正しながら圧延を行う圧延機の制御方法
であって、過去の同一仕様の圧延材または同種仕様の圧
延材のモデル誤差の実績から、前記同一仕様の圧延材ま
たは同種仕様の圧延材に特有のモデルの誤差を推定し、
数式モデル計算値に修正を加える長期学習制御と、圧延
機の温度変化や摩耗などの短期的変化に伴う圧延状態の
変化により生ずるモデル誤差を、至近の圧延材のモデル
誤差の実績から推定し、モデル計算値に修正を加える短
期学習制御とを、圧延モデルに反映させる圧延機制御方
法において、前記長期学習制御をニューラルネットワー
クを用いて行うことを特徴とする圧延機の制御方法（請
求項１）により解決される。
性を数式モデル化した数式モデルに従って、圧延機の各
設定値を決定し、圧延結果をフィードバックして数式モ
デルの誤差を修正しながら圧延を行う圧延機の制御方法
であって、過去の同一仕様の圧延材または同種仕様の圧
延材のモデル誤差の実績から、前記同一仕様の圧延材ま
たは同種仕様の圧延材に特有のモデルの誤差を推定し、
数式モデル計算値に修正を加える長期学習制御と、圧延
機の温度変化や摩耗などの短期的変化に伴う圧延状態の
変化により生ずるモデル誤差を、至近の圧延材のモデル
誤差の実績から推定し、モデル計算値に修正を加える短
期学習制御とを、圧延モデルに反映させる圧延機制御方
法において、前記長期学習制御をニューラルネットワー
クを用いて行うことを特徴とする圧延機の制御方法（請
求項１）により解決される。
【００１７】ニューラルネットワークを用いることで、
長期学習制御に使用される各パラメータの変化が、数式
モデルの誤差にどのように影響するのかが、学習が進む
につれて正確に把握されるようになる。よって、長期学
習制御が正確になり、精度の良い圧延機の制御が可能と
なる。
長期学習制御に使用される各パラメータの変化が、数式
モデルの誤差にどのように影響するのかが、学習が進む
につれて正確に把握されるようになる。よって、長期学
習制御が正確になり、精度の良い圧延機の制御が可能と
なる。
【００１８】また、ニューラルネットワークを用いるこ
とにより、圧延材の層別を細かくする必要がなくなり、
多数のテーブルを必要とすることがなくなる。更に、誤
差要因を予め正確に推定しておく必要がなくなるため、
予め正確な数式モデルの骨格を定める必要がない。
とにより、圧延材の層別を細かくする必要がなくなり、
多数のテーブルを必要とすることがなくなる。更に、誤
差要因を予め正確に推定しておく必要がなくなるため、
予め正確な数式モデルの骨格を定める必要がない。
【００１９】ニューラルネットワークの算出は、極めて
多くの量の計算を必要とするので、これを制御用の計算
機に行わせると、制御の応答後れ等の問題を引き起こす
恐れがある。よって、長期学習制御をオフラインにおい
てニューラルネットワークを用いて行うこと、圧延実績
一部を圧延実績収集装置に蓄積し、圧延実績収集装置に
蓄えられた圧延実績を教師信号として前記長期学習制御
をオフラインにおいてニューラルネットワークを用いて
行い、ニューラルネットワークによって得られた結果を
オンラインの制御装置で用いること（請求項２）によっ
て、これらの問題を解決することができる。
多くの量の計算を必要とするので、これを制御用の計算
機に行わせると、制御の応答後れ等の問題を引き起こす
恐れがある。よって、長期学習制御をオフラインにおい
てニューラルネットワークを用いて行うこと、圧延実績
一部を圧延実績収集装置に蓄積し、圧延実績収集装置に
蓄えられた圧延実績を教師信号として前記長期学習制御
をオフラインにおいてニューラルネットワークを用いて
行い、ニューラルネットワークによって得られた結果を
オンラインの制御装置で用いること（請求項２）によっ
て、これらの問題を解決することができる。
【００２０】同一仕様の圧延材または同種仕様の圧延材
に特有のモデルの誤差の原因となる主な要因は、鋼種又
は成分値である。よって、これらの少なくとも一方を、
同一仕様の圧延材または同種仕様の圧延材に特有のモデ
ルの誤差を推定するためのパラメータとすることにより
（請求項３）、精度の良い長期学習ができるようにな
る。
に特有のモデルの誤差の原因となる主な要因は、鋼種又
は成分値である。よって、これらの少なくとも一方を、
同一仕様の圧延材または同種仕様の圧延材に特有のモデ
ルの誤差を推定するためのパラメータとすることにより
（請求項３）、精度の良い長期学習ができるようにな
る。
【００２１】また、これらのパラメータに加えて、板
厚、板幅、圧下率を含むようにすれば（請求項４）さら
に精度の良い長期学習ができるようになる。
厚、板幅、圧下率を含むようにすれば（請求項４）さら
に精度の良い長期学習ができるようになる。
【００２２】長期学習制御と短期学習制御の組み合わせ
方として、長期学習制御により修正を加えた数式モデル
計算値に、更に短期学習制御により修正を加えるように
すれば（請求項５）、たとえ、長期学習制御が誤差を含
んでいる場合であっても、短期学習制御により迅速にこ
の誤差の補償を行うことができる。
方として、長期学習制御により修正を加えた数式モデル
計算値に、更に短期学習制御により修正を加えるように
すれば（請求項５）、たとえ、長期学習制御が誤差を含
んでいる場合であっても、短期学習制御により迅速にこ
の誤差の補償を行うことができる。
【００２３】また、前記課題は、圧延仕様を入力する圧
延仕様入力部と、圧延仕様入力部からのデータに基づい
て圧延荷重を計算する圧延荷重計算処理部と、圧延荷重
計算処理部の計算結果に基づいて圧延機のロールギャッ
プを決定するロールギャップ計算処理部と、圧延実績を
収集する圧延実績収集処理部と、圧延実績に基づいて、
圧延機の温度変化や摩耗などの短期的な変化を学習して
圧延荷重計算処理部の計算結果を修正する短期学習処理
部と、圧延材の実データを収集する長期学習入力値記憶
装置と、長期学習入力記憶装置に記憶されたデータを教
師信号として、前記圧延荷重計算処理部の誤差を修正す
るパラメータをニューラルネットワークを使用して算出
するニューラルネットワーク学習処理装置と、長期学習
入力記憶装置に入力される実データに対応する、圧延材
の標準値データを入力する長期学習入力部と、ニューラ
ルネットワーク学習処理装置によって算出されたパラメ
ータを転記して有し、長期学習入力部からのデータに基
づいて前記圧延荷重計算処理部の誤差を修正する長期学
習処理部と、短期学習処理部と長期学習処理部の出力結
果に基づいて圧延荷重の学習修正を行う圧延荷重学習修
正処理部とを有してなる圧延機の制御装置（請求項６）
により解決される。
延仕様入力部と、圧延仕様入力部からのデータに基づい
て圧延荷重を計算する圧延荷重計算処理部と、圧延荷重
計算処理部の計算結果に基づいて圧延機のロールギャッ
プを決定するロールギャップ計算処理部と、圧延実績を
収集する圧延実績収集処理部と、圧延実績に基づいて、
圧延機の温度変化や摩耗などの短期的な変化を学習して
圧延荷重計算処理部の計算結果を修正する短期学習処理
部と、圧延材の実データを収集する長期学習入力値記憶
装置と、長期学習入力記憶装置に記憶されたデータを教
師信号として、前記圧延荷重計算処理部の誤差を修正す
るパラメータをニューラルネットワークを使用して算出
するニューラルネットワーク学習処理装置と、長期学習
入力記憶装置に入力される実データに対応する、圧延材
の標準値データを入力する長期学習入力部と、ニューラ
ルネットワーク学習処理装置によって算出されたパラメ
ータを転記して有し、長期学習入力部からのデータに基
づいて前記圧延荷重計算処理部の誤差を修正する長期学
習処理部と、短期学習処理部と長期学習処理部の出力結
果に基づいて圧延荷重の学習修正を行う圧延荷重学習修
正処理部とを有してなる圧延機の制御装置（請求項６）
により解決される。
【００２４】圧延仕様入力部は、鋼種、板厚、板幅、ス
ラブ寸法、仕上げ温度等の圧延に関する仕様を入力す
る。圧延荷重計算処理部は、これらの入力データに基づ
いて、圧延荷重式により圧延荷重を計算する。入力され
た圧延仕様の内、鋼種や成分値等の長期学習の対象とな
るものは、長期学習入力部を介して長期学習処理部に入
力される。
ラブ寸法、仕上げ温度等の圧延に関する仕様を入力す
る。圧延荷重計算処理部は、これらの入力データに基づ
いて、圧延荷重式により圧延荷重を計算する。入力され
た圧延仕様の内、鋼種や成分値等の長期学習の対象とな
るものは、長期学習入力部を介して長期学習処理部に入
力される。
【００２５】一方、過去の圧延材料に関するデータは、
圧延実績収集処理部で収集され、短期学習処理部を介し
て圧延荷重学習修正処理部に入力され、圧延荷重計算処
理部の短期的な誤差が修正される。
圧延実績収集処理部で収集され、短期学習処理部を介し
て圧延荷重学習修正処理部に入力され、圧延荷重計算処
理部の短期的な誤差が修正される。
【００２６】また、収集されたデータの一部は、長期学
習入力値記憶装置に記憶され、ニューラルネットワーク
学習処理装置に入力されてニューラルネットワークによ
る処理がなされて、鋼種、成分値等の変動が圧延荷重計
算処理部に与える誤差の程度が計算される。そして、計
算されたパラメータは、長期学習処理部に転記され、長
期学習処理部の出力は圧延荷重学習修正処理部に入力さ
れて圧延荷重計算処理部の誤差を補正するのに使用され
る。
習入力値記憶装置に記憶され、ニューラルネットワーク
学習処理装置に入力されてニューラルネットワークによ
る処理がなされて、鋼種、成分値等の変動が圧延荷重計
算処理部に与える誤差の程度が計算される。そして、計
算されたパラメータは、長期学習処理部に転記され、長
期学習処理部の出力は圧延荷重学習修正処理部に入力さ
れて圧延荷重計算処理部の誤差を補正するのに使用され
る。
【００２７】前記制御装置の構成の内、長期学習入力値
記憶装置と、ニューラルネットワーク学習処理装置を、
制御装置の他の部分と独立の制御装置から構成すること
により、（請求項７）、制御装置のデータ量を膨大にす
ることもなく、かつ、オンラインでの計算を妨げること
無く、ニューラルネットワークの算出に必要とされる膨
大な量の計算を行うことができる。
記憶装置と、ニューラルネットワーク学習処理装置を、
制御装置の他の部分と独立の制御装置から構成すること
により、（請求項７）、制御装置のデータ量を膨大にす
ることもなく、かつ、オンラインでの計算を妨げること
無く、ニューラルネットワークの算出に必要とされる膨
大な量の計算を行うことができる。
【００２８】また、圧延荷重学習修正処理部に、長期学
習処理部の出力結果に基づいて圧延荷重の学習修正を行
った後、更にその結果に対して、短期学習処理部の出力
結果に基づいて圧延荷重の学習修正を行うような機能を
持たせることにより（請求項８）、たとえ、長期学習制
御が誤差を含んでいる場合であっても、短期学習制御に
より迅速にこの誤差の補償を行うことができる。
習処理部の出力結果に基づいて圧延荷重の学習修正を行
った後、更にその結果に対して、短期学習処理部の出力
結果に基づいて圧延荷重の学習修正を行うような機能を
持たせることにより（請求項８）、たとえ、長期学習制
御が誤差を含んでいる場合であっても、短期学習制御に
より迅速にこの誤差の補償を行うことができる。
【００２９】
【発明の実施の形態】以下、本発明の実施の形態の例を
図面を参照して詳細に説明する。
図面を参照して詳細に説明する。
【００３０】図１は、本発明による連続圧延機の板厚制
御装置の例を示したブロック図である。
御装置の例を示したブロック図である。
【００３１】図１において、１は板厚制御装置、２は圧
延荷重計算処理部、３は圧延荷重学習修正処理部、４は
ロールギャップ計算処理部、５は短期学習処理部、６は
長期学習処理部、７は圧延仕様入力部、８は長期学習入
力部、９は圧延実績収集処理部、１０は圧延機、１１は
長期学習入力値記憶装置、１２はニューラルネットワー
ク学習処理装置である。この実施の形態においては、長
期学習入力記憶装置１１とニューラルネットワーク学習
処理装置１２は、板厚制御装置１とは独立した構成とさ
れている。
延荷重計算処理部、３は圧延荷重学習修正処理部、４は
ロールギャップ計算処理部、５は短期学習処理部、６は
長期学習処理部、７は圧延仕様入力部、８は長期学習入
力部、９は圧延実績収集処理部、１０は圧延機、１１は
長期学習入力値記憶装置、１２はニューラルネットワー
ク学習処理装置である。この実施の形態においては、長
期学習入力記憶装置１１とニューラルネットワーク学習
処理装置１２は、板厚制御装置１とは独立した構成とさ
れている。
【００３２】圧延仕様入力部７は、鋼種、板厚、板幅、
スラブ寸法、仕上げ温度等の圧延に関する仕様を入力す
る。圧延荷重計算処理部２は、これらの入力データに基
づいて、圧延荷重式により圧延荷重を計算する。入力さ
れた圧延仕様の内、長期学習の対象となるものは、長期
学習入力部８を介して長期学習処理部６に入力される。
スラブ寸法、仕上げ温度等の圧延に関する仕様を入力す
る。圧延荷重計算処理部２は、これらの入力データに基
づいて、圧延荷重式により圧延荷重を計算する。入力さ
れた圧延仕様の内、長期学習の対象となるものは、長期
学習入力部８を介して長期学習処理部６に入力される。
【００３３】長期学習入力部８には、基本的には荷重モ
デル計算結果に影響度の高い板厚、板幅、圧下率等の圧
延変数および荷重モデルに含まれる変形抵抗式に支配的
要素である温度や成分などを選択して記憶している。
デル計算結果に影響度の高い板厚、板幅、圧下率等の圧
延変数および荷重モデルに含まれる変形抵抗式に支配的
要素である温度や成分などを選択して記憶している。
【００３４】一方、過去の圧延材料に関するデータは、
圧延実績収集処理部９で収集され、短期学習処理部５を
介して圧延荷重学習修正処理部３に入力され、圧延荷重
計算処理部２の短期的な誤差が修正される。
圧延実績収集処理部９で収集され、短期学習処理部５を
介して圧延荷重学習修正処理部３に入力され、圧延荷重
計算処理部２の短期的な誤差が修正される。
【００３５】また、収集されたデータの一部は、長期学
習入力値記憶装置１１に記憶され、ニューラルネットワ
ーク学習制御装置１２に入力されてニューラルネットワ
ークによる処理がなされて、鋼種、成分値等の変動が圧
延荷重計算処理部に与える誤差の程度が計算される。そ
して、計算されたパラメータは、長期学習処理部６に転
記される。長期学習処理部６の出力は圧延荷重学習修正
処理部３に入力されて圧延荷重計算処理部２の誤差を補
正するのに使用される。
習入力値記憶装置１１に記憶され、ニューラルネットワ
ーク学習制御装置１２に入力されてニューラルネットワ
ークによる処理がなされて、鋼種、成分値等の変動が圧
延荷重計算処理部に与える誤差の程度が計算される。そ
して、計算されたパラメータは、長期学習処理部６に転
記される。長期学習処理部６の出力は圧延荷重学習修正
処理部３に入力されて圧延荷重計算処理部２の誤差を補
正するのに使用される。
【００３６】この実施の形態においては、長期学習入力
値記憶部１１と、ニューラルネットワーク学習処理部１
２は、制御装置の他の部分と独立の制御装置から構成さ
れているので、板厚制御装置のデータ量を膨大にするこ
ともなく、かつ、オンラインでの計算を妨げること無
く、ニューラルネットワークの算出に必要とされる膨大
な量の計算を行うことができる。
値記憶部１１と、ニューラルネットワーク学習処理部１
２は、制御装置の他の部分と独立の制御装置から構成さ
れているので、板厚制御装置のデータ量を膨大にするこ
ともなく、かつ、オンラインでの計算を妨げること無
く、ニューラルネットワークの算出に必要とされる膨大
な量の計算を行うことができる。
【００３７】しかし、オンライン制御装置が十分な速度
と容量を持っている場合は、必ずしも、長期学習入力値
記憶部１１と、ニューラルネットワーク学習処理部１２
を別の制御装置とする必要はない。この場合には、長期
学習処理部６におけるニューラルネットワークとニュー
ラルネットワーク学習処理部１２によるニューラルネッ
トワークを同じ物とすることができる。
と容量を持っている場合は、必ずしも、長期学習入力値
記憶部１１と、ニューラルネットワーク学習処理部１２
を別の制御装置とする必要はない。この場合には、長期
学習処理部６におけるニューラルネットワークとニュー
ラルネットワーク学習処理部１２によるニューラルネッ
トワークを同じ物とすることができる。
【００３８】圧延仕様入力部７の情報を基に、圧延荷重
計算処理部２で演算された荷重計算値ＰC は、長期学習
処理部６と短期学習処理部５で求められた各学習修正量
ＺN、Ｚi により、圧延荷重学習修正処理部３で修正を
加えらる。ロールギャップ計算処理部４は、修正された
荷重ＰSにより、圧延機１０のロールギャップ設定を行
う。また、圧延実績収集処理部９では荷重モデルＰA と
荷重実績との比を演算することによりモデル誤差ＺK を
求め、次材以降の短期学習処理に反映させ、さらに長期
学習入力項目と共に、新規にオフラインニューラルネッ
トワークの学習計算を行うために長期学習入力記憶装置
１１に蓄積する。なお短期学習処理部５での圧延状態の
学習処理は、（４）式により求めている。
計算処理部２で演算された荷重計算値ＰC は、長期学習
処理部６と短期学習処理部５で求められた各学習修正量
ＺN、Ｚi により、圧延荷重学習修正処理部３で修正を
加えらる。ロールギャップ計算処理部４は、修正された
荷重ＰSにより、圧延機１０のロールギャップ設定を行
う。また、圧延実績収集処理部９では荷重モデルＰA と
荷重実績との比を演算することによりモデル誤差ＺK を
求め、次材以降の短期学習処理に反映させ、さらに長期
学習入力項目と共に、新規にオフラインニューラルネッ
トワークの学習計算を行うために長期学習入力記憶装置
１１に蓄積する。なお短期学習処理部５での圧延状態の
学習処理は、（４）式により求めている。
【００３９】図２は、長期学習処理部６およびニューラ
ルネットワーク学習処理装置１２を詳細に説明するブロ
ック図である。なお、以下の図においては、前出の図に
示された物と同じ物には、同じ符号を付し、その説明を
省略する。長期学習処理部６は、全圧延仕様材を鋼種な
どの同種の材料で分類し、各々の材料集団の特性毎に構
築された複数の長期学習ニューラルネットワーク処理部
６−ｂと、入出力値の正規化数値処理を行う入力値変換
部６−ａおよび出力値変換部６−ｃで構成され、最終出
力値として長期学習修正係数６−ｄを得る。なお、ニュ
ーラルネットワークは入力層、中間層、出力層により構
成される３階層型を採用したが、他にも多階層型や非階
層型でも同様のことができる。
ルネットワーク学習処理装置１２を詳細に説明するブロ
ック図である。なお、以下の図においては、前出の図に
示された物と同じ物には、同じ符号を付し、その説明を
省略する。長期学習処理部６は、全圧延仕様材を鋼種な
どの同種の材料で分類し、各々の材料集団の特性毎に構
築された複数の長期学習ニューラルネットワーク処理部
６−ｂと、入出力値の正規化数値処理を行う入力値変換
部６−ａおよび出力値変換部６−ｃで構成され、最終出
力値として長期学習修正係数６−ｄを得る。なお、ニュ
ーラルネットワークは入力層、中間層、出力層により構
成される３階層型を採用したが、他にも多階層型や非階
層型でも同様のことができる。
【００４０】本実施の形態の特徴は、長期学習ニューラ
ルネットワーク処理部６−ｂが、それ自体では、シナプ
ス結合重み係数やシグモイド関数しきい値などのニュー
ラルネットワークパラメータを更新する機能を有せず、
ニューラルネットワーク学習処理装置１２から与えられ
たこれらのパラメータを使用して、入力からニューラル
ネットワークを介した出力を得ていることである。
ルネットワーク処理部６−ｂが、それ自体では、シナプ
ス結合重み係数やシグモイド関数しきい値などのニュー
ラルネットワークパラメータを更新する機能を有せず、
ニューラルネットワーク学習処理装置１２から与えられ
たこれらのパラメータを使用して、入力からニューラル
ネットワークを介した出力を得ていることである。
【００４１】ニューラルネットワーク学習処理装置１２
は、前記長期学習処理部６同様の材料集団毎に構成され
た複数のニューラルネットワーク学習処理部１２−ｂと
入力値の正規化数値処理を行う入力値変換部１２−ａに
より構成される。前記長期学習ニューラルネット処理部
６−ｂで使用する、シナプス結合重み係数やシグモイド
関数しきい値などのニューラルネットワークパラメータ
を更新するモデル誤差ＺKを教師信号１２−ｃとし、ニ
ューラルネットパラメータ調整処理部１２−ｄでバック
プロパゲーション法による、パラメータの学習を行う。
なお、バックプロパゲーション法はニューラルネットワ
ークの学習方法としては一般的なものであるため、説明
は割愛する。学習により求められた学習済みニューラル
ネットワークパラメータ１２−ｅは、新規の学習対象材
が発生した場合に柔軟に対応できるように、任意に長期
学習処理部６の長期学習ニューラルネット処理部６−ｂ
に伝送され、伝送されたシナプス結合重み係数やシグモ
イド関数しきい値などのニューラルネットワークパラメ
ータに対応するニューラルネット計算が実行される。
は、前記長期学習処理部６同様の材料集団毎に構成され
た複数のニューラルネットワーク学習処理部１２−ｂと
入力値の正規化数値処理を行う入力値変換部１２−ａに
より構成される。前記長期学習ニューラルネット処理部
６−ｂで使用する、シナプス結合重み係数やシグモイド
関数しきい値などのニューラルネットワークパラメータ
を更新するモデル誤差ＺKを教師信号１２−ｃとし、ニ
ューラルネットパラメータ調整処理部１２−ｄでバック
プロパゲーション法による、パラメータの学習を行う。
なお、バックプロパゲーション法はニューラルネットワ
ークの学習方法としては一般的なものであるため、説明
は割愛する。学習により求められた学習済みニューラル
ネットワークパラメータ１２−ｅは、新規の学習対象材
が発生した場合に柔軟に対応できるように、任意に長期
学習処理部６の長期学習ニューラルネット処理部６−ｂ
に伝送され、伝送されたシナプス結合重み係数やシグモ
イド関数しきい値などのニューラルネットワークパラメ
ータに対応するニューラルネット計算が実行される。
【００４２】表１は、長期学習ニューラルネット処理部
６−ｂとニューラルネット学習処理部１２−ｂの区分の
例を示したものである。
６−ｂとニューラルネット学習処理部１２−ｂの区分の
例を示したものである。
【００４３】
【表１】
【００４４】ＮＮナンバーは、ニューラルネット番号を
示し、長期学習ニューラルネット処理部６−ｂとニュー
ラルネット学習処理部１２−ｂは、８個独立に存在し、
対応する鋼種に応じて選択されて使用される。
示し、長期学習ニューラルネット処理部６−ｂとニュー
ラルネット学習処理部１２−ｂは、８個独立に存在し、
対応する鋼種に応じて選択されて使用される。
【００４５】図３に、ニューラルネット学習処理部６−
ｂとニューラルネットワーク学習処理部１２−ｂの内容
を簡略化して示す。入力としては、板厚、板幅、圧下
率、Ｃ、Ｍｎ、Ｓｉ量が入力層（ｉ）に入力され、所定
の重みでもって中間層（ｊ）に結合される。なお、図３
においては、入力層（ｉ）と中間層（ｊ）の一部の結合
は省略している。中間層（ｊ）の出力は、規定の重みで
もって出力層に結合され、Ｚ項として出力される。Ｚ項
とは、図１においてＺN と記載されているものである。
圧延荷重計算処理部２で計算された圧延荷重予測値にＺ
N を掛けたものが、修正圧延荷重として、圧延荷重学習
修正処理部３に与えられ、圧延荷重の修正に使用され
る。
ｂとニューラルネットワーク学習処理部１２−ｂの内容
を簡略化して示す。入力としては、板厚、板幅、圧下
率、Ｃ、Ｍｎ、Ｓｉ量が入力層（ｉ）に入力され、所定
の重みでもって中間層（ｊ）に結合される。なお、図３
においては、入力層（ｉ）と中間層（ｊ）の一部の結合
は省略している。中間層（ｊ）の出力は、規定の重みで
もって出力層に結合され、Ｚ項として出力される。Ｚ項
とは、図１においてＺN と記載されているものである。
圧延荷重計算処理部２で計算された圧延荷重予測値にＺ
N を掛けたものが、修正圧延荷重として、圧延荷重学習
修正処理部３に与えられ、圧延荷重の修正に使用され
る。
【００４６】本実施の形態においては、ニューラルネッ
ト学習処理部６−ｂにおいては、入力層に入力されたパ
ラメータに基づいてＺ項が計算されて出力されるのみで
あり、ニューラルネットワーク自体のパラメータの修
正、すなわち、シナプス結合重み係数やシグモイド関数
しきい値等の学習修正は行われない。
ト学習処理部６−ｂにおいては、入力層に入力されたパ
ラメータに基づいてＺ項が計算されて出力されるのみで
あり、ニューラルネットワーク自体のパラメータの修
正、すなわち、シナプス結合重み係数やシグモイド関数
しきい値等の学習修正は行われない。
【００４７】これに対し、ニューラルネットワーク学習
処理部１２−ｂでは、このＺ項が、図２における入力変
換部１２−ａを介して得られた実際Ｚk に一致させるよ
うに、すなわち、教師信号１２−Ｃとしてシナプス結合
重み係数やシグモイド関数しきい値等の学習修正が行わ
れる。これらの計算には、多大のメモリと計算時間を要
するが、ニューラルネットワーク学習処理装置１２はオ
フラインの装置となっているので、オンライン制御をデ
ィスターブすることはない。
処理部１２−ｂでは、このＺ項が、図２における入力変
換部１２−ａを介して得られた実際Ｚk に一致させるよ
うに、すなわち、教師信号１２−Ｃとしてシナプス結合
重み係数やシグモイド関数しきい値等の学習修正が行わ
れる。これらの計算には、多大のメモリと計算時間を要
するが、ニューラルネットワーク学習処理装置１２はオ
フラインの装置となっているので、オンライン制御をデ
ィスターブすることはない。
【００４８】以上の説明においては、長期学習制御を、
鋼種や板厚区分等の圧延条件が大きく変更される場合に
使用し、短期学習制御を鋼種や板厚区分等が大きく変化
しない範囲で使用することにしていたが、長期学習制御
と短期学習制御を同時に使用すると、長期学習制御のモ
デルに誤差がある場合でも、短期学習制御により迅速に
それらの誤差が修正されるという長所が生まれる。
鋼種や板厚区分等の圧延条件が大きく変更される場合に
使用し、短期学習制御を鋼種や板厚区分等が大きく変化
しない範囲で使用することにしていたが、長期学習制御
と短期学習制御を同時に使用すると、長期学習制御のモ
デルに誤差がある場合でも、短期学習制御により迅速に
それらの誤差が修正されるという長所が生まれる。
【００４９】すなわち、圧延荷重計算処理部２が計算し
た荷重モデルの計算荷重をＰCとし、長期学習処理部６
が計算した学習修正量をＺNとすると、長期学習制御に
より修正された計算荷重は、ＺN×ＰCであるが、これを
更に短期学習処理部５が計算した学習修正量Ｚiにより
修正し、修正された計算荷重ＰSを ＰS＝Ｚi×ＺN×ＰC … （５） として求め、この修正された計算荷重ＰSにより、ロー
ルギャップ計算処理部４が圧延機１０のロールギャップ
設定を行う。この修正された計算荷重ＰSの計算は、圧
延荷重学習修正処理部３により行われる。
た荷重モデルの計算荷重をＰCとし、長期学習処理部６
が計算した学習修正量をＺNとすると、長期学習制御に
より修正された計算荷重は、ＺN×ＰCであるが、これを
更に短期学習処理部５が計算した学習修正量Ｚiにより
修正し、修正された計算荷重ＰSを ＰS＝Ｚi×ＺN×ＰC … （５） として求め、この修正された計算荷重ＰSにより、ロー
ルギャップ計算処理部４が圧延機１０のロールギャップ
設定を行う。この修正された計算荷重ＰSの計算は、圧
延荷重学習修正処理部３により行われる。
【００５０】この場合、短期学習処理を、（４）式に基
づいて行うと、長期学習処理関係のデータが含まれたも
のについて短期学習処理を行ってしまうことになる。よ
って、短期学習処理から長期学習処理の影響を除くため
に、（４）式に代わり、次の（６）式で指数平滑処理を
行う。 Ｚi＝（１−ａ）Ｚi-1＋ａ（Ｚk／ＺN） … （６） すなわち、（３）式で計算される荷重モデル誤差比Ｚk
をＺNで割ることにより、長期学習処理の影響をキャン
セルし、短期学習に関連する学習係数に直した形のもの
を指数平滑する。
づいて行うと、長期学習処理関係のデータが含まれたも
のについて短期学習処理を行ってしまうことになる。よ
って、短期学習処理から長期学習処理の影響を除くため
に、（４）式に代わり、次の（６）式で指数平滑処理を
行う。 Ｚi＝（１−ａ）Ｚi-1＋ａ（Ｚk／ＺN） … （６） すなわち、（３）式で計算される荷重モデル誤差比Ｚk
をＺNで割ることにより、長期学習処理の影響をキャン
セルし、短期学習に関連する学習係数に直した形のもの
を指数平滑する。
【００５１】図４に、本発明の１実施形態を使用した荷
重モデル誤差予測結果のグラフを示す。図４は、７連の
熱間薄板連続圧延機において、最終スタンドであるＦ７
スタンドの荷重モデル誤差予測と、荷重モデル誤差の実
績値を、ハイテン材の薄物（板厚3.5 mm以下）について
示したものである。図４において、横軸は、板厚毎に層
別して示した圧延材を示すもので、数字はコイル番号で
ある。縦軸はモデル誤差を示し、黒丸は、静的モデルに
よって計算された荷重値に対して、実績の荷重値がどの
程度異なっていたかを示す（Ｐ／ＰC ）。白丸は数式モ
デルによって示された荷重の誤差の予測、すなわち静的
モデルによって計算された荷重値に対してどの程度の修
正値が必要かを本発明のモデルにより計算した値（Ｐ／
ＰC ）の予測値を示す。△印は、残差を示し、黒丸と白
丸の値の差を示したものである。
重モデル誤差予測結果のグラフを示す。図４は、７連の
熱間薄板連続圧延機において、最終スタンドであるＦ７
スタンドの荷重モデル誤差予測と、荷重モデル誤差の実
績値を、ハイテン材の薄物（板厚3.5 mm以下）について
示したものである。図４において、横軸は、板厚毎に層
別して示した圧延材を示すもので、数字はコイル番号で
ある。縦軸はモデル誤差を示し、黒丸は、静的モデルに
よって計算された荷重値に対して、実績の荷重値がどの
程度異なっていたかを示す（Ｐ／ＰC ）。白丸は数式モ
デルによって示された荷重の誤差の予測、すなわち静的
モデルによって計算された荷重値に対してどの程度の修
正値が必要かを本発明のモデルにより計算した値（Ｐ／
ＰC ）の予測値を示す。△印は、残差を示し、黒丸と白
丸の値の差を示したものである。
【００５２】図４において、Ａ、Ｂ、Ｃ、Ｄ、Ｅ、Ｆの
矢印で示された部分は、それぞれ、表２において示され
た符号の板幅、板厚に対応する部分である。たとえば、
矢印Ｄの部分は、板厚が2.65mmで、板幅が1121mmの材料
に対応する。
矢印で示された部分は、それぞれ、表２において示され
た符号の板幅、板厚に対応する部分である。たとえば、
矢印Ｄの部分は、板厚が2.65mmで、板幅が1121mmの材料
に対応する。
【００５３】
【表２】
【００５４】これらのデータの内、図４のデータを採取
する前に多くのデータが採取されて学習が進んでいる
Ｃ、Ｄ、Ｅの材料においては、圧延荷重が１０％以内の
精度で予測できている。Ａ、Ｂ、Ｆの部分で圧延荷重の
予測精度が悪いのは、これらの板厚、板幅のデータが蓄
積されておらず、学習が進んでいないためと考えられ
る。
する前に多くのデータが採取されて学習が進んでいる
Ｃ、Ｄ、Ｅの材料においては、圧延荷重が１０％以内の
精度で予測できている。Ａ、Ｂ、Ｆの部分で圧延荷重の
予測精度が悪いのは、これらの板厚、板幅のデータが蓄
積されておらず、学習が進んでいないためと考えられ
る。
【００５５】表３に図４の結果を集計したものを示す。
その結果は、荷重モデル誤差実績を基準とした荷重モデ
ル誤差予測の差は、平均値で荷重モデル誤差実績の-0.8
％であり、標準偏差は9.3 ％であった。これより、本発
明装置によりモデル誤差を10％以内で精度良く推定でき
ることがわかる。
その結果は、荷重モデル誤差実績を基準とした荷重モデ
ル誤差予測の差は、平均値で荷重モデル誤差実績の-0.8
％であり、標準偏差は9.3 ％であった。これより、本発
明装置によりモデル誤差を10％以内で精度良く推定でき
ることがわかる。
【００５６】
【表３】
【００５７】
【発明の効果】以上述べたように、本発明によれば圧延
機の設定計算における学習制御において、材料特有のモ
デル誤差を、ニューラルネットで求めることにより、膨
大なテーブルと多大な調整による労力を必要とせずに、
精度良く予測することができる。特に、ニューラルネッ
トの計算をオフラインにおいて行うことにより、オンラ
インにおける制御をディスターブすること無く、精度の
良い制御を行うことができる。
機の設定計算における学習制御において、材料特有のモ
デル誤差を、ニューラルネットで求めることにより、膨
大なテーブルと多大な調整による労力を必要とせずに、
精度良く予測することができる。特に、ニューラルネッ
トの計算をオフラインにおいて行うことにより、オンラ
インにおける制御をディスターブすること無く、精度の
良い制御を行うことができる。
【図１】本発明の１実施形態である圧延機制御装置を示
すブロック図である。
すブロック図である。
【図２】本発明１実施形態であるニューラルネット処理
部の概要を示すブロック図である。
部の概要を示すブロック図である。
【図３】ニューラルネット学習処理部とニューラルネッ
トワーク学習処理部の内容を簡略化して示した図であ
る。
トワーク学習処理部の内容を簡略化して示した図であ
る。
【図４】荷重モデル誤差予測と、荷重モデル誤差の実績
値を、ハイテン材の薄物（について示した図である。
値を、ハイテン材の薄物（について示した図である。
１ 板厚制御装置 ２ 圧延荷重計算処理部 ３ 圧延荷重学習修正処理部 ４ ロールギャップ計算処理部 ５ 短期学習処理部 ６ 長期学習処理部 ７ 圧延仕様入力部 ８ 長期学習入力部 ９ 圧延実績収集処理部 １０ 圧延機 １１ 長期学習入力値記憶装置 １２ ニューラルネットワーク学習処理装置
Claims (8)
- 【請求項１】 圧延機の特性を数式モデル化した数式モ
デルに従って、圧延機の各設定値を決定し、圧延結果を
フィードバックして数式モデルの誤差を修正しながら圧
延を行う圧延機の制御方法であって、過去の同一仕様の
圧延材または同種仕様の圧延材のモデル誤差の実績か
ら、前記同一仕様の圧延材または同種仕様の圧延材に特
有のモデルの誤差を推定し、数式モデル計算値に修正を
加える長期学習制御と、圧延機の温度変化や摩耗などの
短期的変化に伴う圧延状態の変化により生ずるモデル誤
差を至近の圧延材のモデル誤差の実績から推定し、モデ
ル計算値に修正を加える短期学習制御とを、圧延モデル
に反映させる圧延機制御方法において、 前記長期学習制御をニューラルネットワークを用いて行
うことを特徴とする圧延機の制御方法。 - 【請求項２】 圧延機の特性を数式モデル化した数式モ
デルに従って、圧延機の各設定値を決定し、圧延結果を
フィードバックして数式モデルの誤差を修正しながら圧
延を行う圧延機の制御方法であって、過去の同一仕様の
圧延材または同種仕様の圧延材のモデル誤差の実績か
ら、前記同一仕様の圧延材または同種仕様の圧延材に特
有のモデルの誤差を推定し、モデル計算値に修正を加え
る長期学習制御と、圧延機の温度変化や摩耗などの短期
的な変化に伴う圧延状態の変化により生ずるモデル誤差
を至近の圧延材のモデル誤差の実績から推定し、モデル
計算値に修正を加える短期学習制御とを、圧延モデルに
反映させる圧延機学習制御方法において、圧延実績の一
部を圧延実績収集装置に蓄積し、圧延実績収集装置に蓄
えられた圧延実績を教師信号として前記長期学習制御を
オフラインにおいてニューラルネットワークを用いて行
い、ニューラルネットワークによって得られた結果をオ
ンラインの制御装置で用いることを特徴とする圧延機の
制御方法。 - 【請求項３】 同一仕様の圧延材または同種仕様の圧延
材に特有のモデルの誤差を推定するためのパラメータ
が、材料の鋼種又は成分値の少なくとも一方を含むこと
を特徴とする請求項１又は請求項２に記載の圧延機の制
御方法。 - 【請求項４】 同一仕様の圧延材または同種仕様の圧延
材に特有のモデルの誤差を推定するためのパラメータ
が、板厚、板幅、圧下率を含むと共に、材料の鋼種又は
成分値の少なくとも一方を含むことを特徴とする請求項
１又は請求項２に記載の圧延機の制御方法。 - 【請求項５】 長期学習制御により修正を加えた数式モ
デル計算値に、更に短期学習制御により修正を加えるこ
とを特徴とする請求項１から請求項４のうちいずれか１
項に記載の圧延機の制御方法。 - 【請求項６】 圧延仕様を入力する圧延仕様入力部と、
圧延仕様入力部からのデータに基づいて圧延荷重を計算
する圧延荷重計算処理部と、圧延荷重計算処理部の計算
結果に基づいて圧延機のロールギャップを決定するロー
ルギャップ計算処理部と、圧延実績を収集する圧延実績
収集処理部と、圧延実績に基づいて、圧延機の温度変化
や摩耗などの短期的な変化を学習して圧延荷重計算処理
部の計算結果を修正する短期学習処理部と、圧延材の実
データを収集する長期学習入力値記憶装置と、長期学習
入力記憶装置に記憶されたデータを教師信号として、前
記圧延荷重計算処理部の誤差を修正するパラメータをニ
ューラルネットワークを使用して算出するニューラルネ
ットワーク学習処理装置と、長期学習入力記憶装置に入
力される実データに対応する、圧延材の標準値データを
入力する長期学習入力部と、ニューラルネットワーク学
習処理装置によって算出されたパラメータを転記して有
し、長期学習入力部からのデータに基づいて前記圧延荷
重計算処理部の誤差を修正する長期学習処理部と、短期
学習処理部と長期学習処理部の出力結果に基づいて圧延
荷重の学習修正を行う圧延荷重学習修正処理部とを有し
てなる圧延機の制御装置。 - 【請求項７】 長期学習入力値記憶部と、ニューラルネ
ットワーク学習処理装置が、制御装置の他の部分と独立
の制御装置からなることを特徴とする請求項６に記載の
圧延機の制御装置。 - 【請求項８】 圧延荷重学習修正処理部が、長期学習処
理部の出力結果に基づいて圧延荷重の学習修正を行った
後、更にその結果に対して、短期学習処理部の出力結果
に基づいて圧延荷重の学習修正を行うものであることを
特徴とする請求項６または請求項７に記載の圧延機の制
御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP23548197A JP3223856B2 (ja) | 1997-04-17 | 1997-08-18 | 圧延機の制御方法及び圧延機の制御装置 |
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9-114162 | 1997-04-17 | ||
| JP11416297 | 1997-04-17 | ||
| JP23548197A JP3223856B2 (ja) | 1997-04-17 | 1997-08-18 | 圧延機の制御方法及び圧延機の制御装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH11707A true JPH11707A (ja) | 1999-01-06 |
| JP3223856B2 JP3223856B2 (ja) | 2001-10-29 |
Family
ID=26452987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP23548197A Ceased JP3223856B2 (ja) | 1997-04-17 | 1997-08-18 | 圧延機の制御方法及び圧延機の制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3223856B2 (ja) |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000263110A (ja) * | 1999-03-10 | 2000-09-26 | Toshiba Corp | 圧延制御モデル学習装置 |
| US6722173B2 (en) * | 1999-03-23 | 2004-04-20 | Siemens Aktiengesellschaft | Method and device for determining the rolling force in a roll stand |
| KR20040043911A (ko) * | 2002-11-20 | 2004-05-27 | 주식회사 포스코 | 신경 회로망을 이용한 압연 하중 예측 장치 및 방법 |
| JP2004517736A (ja) * | 2001-02-13 | 2004-06-17 | シーメンス アクチエンゲゼルシヤフト | 金属ストリップを圧延するための圧延路のプロセス量の事前設定方法および装置 |
| JP2010247223A (ja) * | 2009-03-27 | 2010-11-04 | Nippon Steel Corp | 圧延制御装置、方法及びプログラム |
| JP2012208538A (ja) * | 2011-03-29 | 2012-10-25 | Jfe Steel Corp | プロセス制御の操作量プリセット方法 |
| JP2018180799A (ja) * | 2017-04-10 | 2018-11-15 | 株式会社日立製作所 | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム |
| JP2019028824A (ja) * | 2017-08-01 | 2019-02-21 | 株式会社日立製作所 | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム |
| JP2019087072A (ja) * | 2017-11-08 | 2019-06-06 | 株式会社アクセル | 処理装置、推論装置、学習装置、処理システム、処理方法、及び処理プログラム |
| JP2019087152A (ja) * | 2017-11-09 | 2019-06-06 | 新日鐵住金株式会社 | 製造プロセスの状態予測装置、方法及びプログラム、並びに製造プロセスの制御システム |
| KR20200032821A (ko) * | 2018-09-19 | 2020-03-27 | 주식회사 포스코 | 예측 모델을 이용한 압연 제어 장치 및 방법 |
| JP2020049509A (ja) * | 2018-09-26 | 2020-04-02 | 株式会社ダイヘン | 溶接電流波形調整量算出装置及び学習方法 |
| WO2020171096A1 (ja) | 2019-02-21 | 2020-08-27 | Ｊｆｅスチール株式会社 | 圧延荷重予測方法、圧延荷重予測装置、及び圧延制御方法 |
| JP2021030264A (ja) * | 2019-08-23 | 2021-03-01 | Ｊｆｅスチール株式会社 | 学習モデル生成方法、データベース構築方法、ミルセットアップ設定方法、圧延材の製造方法、処理対象の製造方法、及び学習モデル生成装置 |
| JP2021133415A (ja) * | 2020-02-28 | 2021-09-13 | Ｊｆｅスチール株式会社 | モデル学習方法、走間板厚変更方法、鋼板の製造方法、モデル学習装置、走間板厚変更装置および鋼板の製造装置 |
| JP2021181095A (ja) * | 2020-05-18 | 2021-11-25 | Ｊｆｅスチール株式会社 | 圧延荷重予測方法、圧延方法、熱延鋼板の製造方法、及び圧延荷重予測モデルの生成方法 |
| JP2021194701A (ja) * | 2020-06-10 | 2021-12-27 | Ｊｆｅスチール株式会社 | 形鋼の断面寸法変化量予測モデルの生成方法、形鋼の断面寸法変化量予測モデルの生成装置、形鋼の断面寸法の予測方法、形鋼の断面寸法の制御方法、および形鋼の製造方法 |
| JP2021194656A (ja) * | 2020-06-10 | 2021-12-27 | Ｊｆｅスチール株式会社 | 熱間圧延における反り予測方法、反り抑制方法、反り予測モデルの生成方法、圧延材の製造方法、並びに、熱間圧延における反り予測装置、反り抑制装置、圧延材の製造設備 |
| JP2022107463A (ja) * | 2021-01-08 | 2022-07-21 | 株式会社日立製作所 | プラント制御装置、プラント制御方法及びプログラム |
| JP2022151648A (ja) * | 2021-03-23 | 2022-10-07 | Ｊｆｅスチール株式会社 | 圧延制御装置および圧延制御方法 |
| JP2023037941A (ja) * | 2021-09-06 | 2023-03-16 | Ｊｆｅスチール株式会社 | 鋼板の圧延荷重予測方法、連続式圧延機の制御方法、及び鋼板の製造方法 |
| CN117282785A (zh) * | 2023-08-10 | 2023-12-26 | 山西太钢不锈钢股份有限公司 | 精轧轧制压力自适应控制方法 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5604945B2 (ja) * | 2010-04-06 | 2014-10-15 | 新日鐵住金株式会社 | 品質予測装置、品質予測方法、コンピュータプログラム、およびコンピュータ読み取り可能な記録媒体 |
| JP6705519B1 (ja) * | 2019-02-12 | 2020-06-03 | Ｊｆｅスチール株式会社 | 製造設備の設定条件決定方法、圧延機のミルセットアップ設定値の決定方法、圧延機のミルセットアップ設定値の決定装置、製造物の製造方法および圧延材の製造方法 |
-
1997
- 1997-08-18 JP JP23548197A patent/JP3223856B2/ja not_active Ceased
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000263110A (ja) * | 1999-03-10 | 2000-09-26 | Toshiba Corp | 圧延制御モデル学習装置 |
| US6722173B2 (en) * | 1999-03-23 | 2004-04-20 | Siemens Aktiengesellschaft | Method and device for determining the rolling force in a roll stand |
| JP2004517736A (ja) * | 2001-02-13 | 2004-06-17 | シーメンス アクチエンゲゼルシヤフト | 金属ストリップを圧延するための圧延路のプロセス量の事前設定方法および装置 |
| KR20040043911A (ko) * | 2002-11-20 | 2004-05-27 | 주식회사 포스코 | 신경 회로망을 이용한 압연 하중 예측 장치 및 방법 |
| JP2010247223A (ja) * | 2009-03-27 | 2010-11-04 | Nippon Steel Corp | 圧延制御装置、方法及びプログラム |
| JP2012208538A (ja) * | 2011-03-29 | 2012-10-25 | Jfe Steel Corp | プロセス制御の操作量プリセット方法 |
| JP2018180799A (ja) * | 2017-04-10 | 2018-11-15 | 株式会社日立製作所 | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム |
| JP2019028824A (ja) * | 2017-08-01 | 2019-02-21 | 株式会社日立製作所 | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム |
| JP2019087072A (ja) * | 2017-11-08 | 2019-06-06 | 株式会社アクセル | 処理装置、推論装置、学習装置、処理システム、処理方法、及び処理プログラム |
| US11423297B2 (en) | 2017-11-08 | 2022-08-23 | Axell Corporation | Processing apparatus, processing method, and nonvolatile recording medium |
| JP2019087152A (ja) * | 2017-11-09 | 2019-06-06 | 新日鐵住金株式会社 | 製造プロセスの状態予測装置、方法及びプログラム、並びに製造プロセスの制御システム |
| KR20200032821A (ko) * | 2018-09-19 | 2020-03-27 | 주식회사 포스코 | 예측 모델을 이용한 압연 제어 장치 및 방법 |
| JP2020049509A (ja) * | 2018-09-26 | 2020-04-02 | 株式会社ダイヘン | 溶接電流波形調整量算出装置及び学習方法 |
| WO2020171096A1 (ja) | 2019-02-21 | 2020-08-27 | Ｊｆｅスチール株式会社 | 圧延荷重予測方法、圧延荷重予測装置、及び圧延制御方法 |
| JP2020131248A (ja) * | 2019-02-21 | 2020-08-31 | Ｊｆｅスチール株式会社 | 圧延荷重予測方法、圧延荷重予測装置、及び圧延制御方法 |
| US12145184B2 (en) | 2019-02-21 | 2024-11-19 | Jfe Steel Corporation | Rolling load prediction method, rolling load prediction device, and rolling control method |
| JP2021030264A (ja) * | 2019-08-23 | 2021-03-01 | Ｊｆｅスチール株式会社 | 学習モデル生成方法、データベース構築方法、ミルセットアップ設定方法、圧延材の製造方法、処理対象の製造方法、及び学習モデル生成装置 |
| JP2021133415A (ja) * | 2020-02-28 | 2021-09-13 | Ｊｆｅスチール株式会社 | モデル学習方法、走間板厚変更方法、鋼板の製造方法、モデル学習装置、走間板厚変更装置および鋼板の製造装置 |
| JP2021181095A (ja) * | 2020-05-18 | 2021-11-25 | Ｊｆｅスチール株式会社 | 圧延荷重予測方法、圧延方法、熱延鋼板の製造方法、及び圧延荷重予測モデルの生成方法 |
| JP2021194701A (ja) * | 2020-06-10 | 2021-12-27 | Ｊｆｅスチール株式会社 | 形鋼の断面寸法変化量予測モデルの生成方法、形鋼の断面寸法変化量予測モデルの生成装置、形鋼の断面寸法の予測方法、形鋼の断面寸法の制御方法、および形鋼の製造方法 |
| JP2021194656A (ja) * | 2020-06-10 | 2021-12-27 | Ｊｆｅスチール株式会社 | 熱間圧延における反り予測方法、反り抑制方法、反り予測モデルの生成方法、圧延材の製造方法、並びに、熱間圧延における反り予測装置、反り抑制装置、圧延材の製造設備 |
| JP2022107463A (ja) * | 2021-01-08 | 2022-07-21 | 株式会社日立製作所 | プラント制御装置、プラント制御方法及びプログラム |
| JP2022151648A (ja) * | 2021-03-23 | 2022-10-07 | Ｊｆｅスチール株式会社 | 圧延制御装置および圧延制御方法 |
| JP2023037941A (ja) * | 2021-09-06 | 2023-03-16 | Ｊｆｅスチール株式会社 | 鋼板の圧延荷重予測方法、連続式圧延機の制御方法、及び鋼板の製造方法 |
| CN117282785A (zh) * | 2023-08-10 | 2023-12-26 | 山西太钢不锈钢股份有限公司 | 精轧轧制压力自适应控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3223856B2 (ja) | 2001-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3223856B2 (ja) | 圧延機の制御方法及び圧延機の制御装置 | |
| JP4452323B2 (ja) | 熱間での板圧延における圧延負荷予測の学習方法 | |
| CN101758084A (zh) | 模型自适应的板形预测控制方法 | |
| JP2019087152A (ja) | 製造プロセスの状態予測装置、方法及びプログラム、並びに製造プロセスの制御システム | |
| US3713313A (en) | Computer controlled rolling mill | |
| KR20180003998A (ko) | 플랜트 제어 장치, 압연 제어 장치, 플랜트 제어 방법 및 플랜트 제어 프로그램 | |
| WO2015122010A1 (ja) | 圧延プロセスの学習制御装置 | |
| JPH07246411A (ja) | 圧延機のロールギャップ補正装置 | |
| JPH07191711A (ja) | 調節されるシステム内のプロセスに指令を与えるための方法および装置 | |
| KR101749018B1 (ko) | 평탄도 제어 장치 | |
| JP6699340B2 (ja) | 厚鋼板の冷却制御方法および製造方法 | |
| JP2839746B2 (ja) | プロセスラインにおける学習制御方法 | |
| JPH08117827A (ja) | 圧延装置 | |
| WO2024135051A1 (ja) | 仕上圧延材の幅予測方法、仕上圧延材の幅制御方法、熱延鋼板の製造方法、及び仕上圧延材の幅予測モデルの生成方法 | |
| JP2021194690A (ja) | 板厚制御装置、板厚制御方法、プログラム、及び圧延システム | |
| JP2001025807A (ja) | リバース式圧延機の学習制御装置 | |
| JP2007245204A (ja) | 圧延荷重モデルの学習方法及びその装置 | |
| CN108971237A (zh) | 用于金属轧制应用的轴承浮动补偿 | |
| JP3467677B2 (ja) | 圧延機における圧延荷重の学習制御方法 | |
| JP4208509B2 (ja) | 圧延プロセスのモデル学習装置 | |
| KR102104905B1 (ko) | 예측 모델을 이용한 압연 제어 장치 및 방법 | |
| JP3681283B2 (ja) | 圧延機のセットアップ装置 | |
| JPH0538511A (ja) | タンデム圧延機のドラフトスケジユールの決定方法 | |
| CN117019882B (zh) | 考虑热轧来料信息的带钢冷连轧自动厚度前馈控制方法 | |
| JP3114424B2 (ja) | 圧延機の圧下位置及びロール周速度の初期設定方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| RVOP | Cancellation by post-grant opposition |